論文の概要: Machine Learning Based Mobile Network Throughput Classification

• arxiv url: http://arxiv.org/abs/2004.13148v1
• Date: Mon, 27 Apr 2020 20:08:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 04:53:32.457647
• Title: Machine Learning Based Mobile Network Throughput Classification
• Title（参考訳）: 機械学習に基づくモバイルネットワークのスループット分類
• Authors: Lauri Alho, Adrian Burian, Janne Helenius, Joni Pajarinen
• Abstract要約: 本稿では,ネットワークスループットに根本的な問題がある4Gセルを同定するためのデータ駆動モデルを提案する。 モデルパラメータは、少数の専門家ラベル付きデータを使って学習される。 実験により,提案モデルはネットワークスループットの問題のあるセルを識別する上で,単純な分類器よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 5.256160002566292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying mobile network problems in 4G cells is more challenging when the complexity of the network increases, and privacy concerns limit the information content of the data. This paper proposes a data driven model for identifying 4G cells that have fundamental network throughput problems. The proposed model takes advantage of clustering and Deep Neural Networks (DNNs). Model parameters are learnt using a small number of expert-labeled data. To achieve case specific classification, we propose a model that contains a multiple clustering models block, for capturing features common for problematic cells. The captured features of this block are then used as an input to a DNN. Experiments show that the proposed model outperforms a simple classifier in identifying cells with network throughput problems. To the best of the authors' knowledge, there is no related research where network throughput classification is performed on the cell level with information gathered only from the service provider's side.
• Abstract（参考訳）: 4gセル内のモバイルネットワークの問題を識別することは、ネットワークの複雑さが増すにつれて難しくなり、プライバシーの懸念によってデータの情報コンテンツが制限される。 本稿では,ネットワークスループットに根本的な問題がある4Gセルを同定するためのデータ駆動モデルを提案する。 提案モデルでは,クラスタリングとディープニューラルネットワーク(dnn)を活用する。 モデルパラメータは、少数のエキスパートラベルデータを使用して学習される。 ケース固有の分類を実現するために,問題細胞に共通する特徴をキャプチャするために,複数のクラスタリングモデルブロックを含むモデルを提案する。 このブロックのキャプチャされた機能は、DNNへの入力として使用される。 実験により,提案モデルがネットワークスループット問題のあるセルの識別において,単純な分類器よりも優れていることを示した。 著者の知識を最大限に活用するために,サービス提供者側からのみ収集された情報を用いて,セルレベルでネットワークスループットの分類を行う,関連研究は存在しない。

関連論文リスト

• Neural networks for insurance pricing with frequency and severity data: a benchmark study from data preprocessing to technical tariff [2.4578723416255754]
  本稿では,複数種類の入力機能が存在する場合に,頻度と重大度を目標とした4つの保険データ集合に関するベンチマーク研究を行う。 本稿では,2つの入力データに対する一般化線形モデル,勾配ブースト木モデル,フィードフォワードニューラルネットワーク(FFNN),複合アクチュエータニューラルネットワーク(CANN)の性能を詳細に比較する。
  論文  参考訳（メタデータ） (2023-10-19T12:00:33Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Keep It Simple: CNN Model Complexity Studies for Interference Classification Tasks [7.358050500046429]
  本研究は,データセットサイズ,CNNモデル複雑性,分類精度のトレードオフを,分類難度に応じて検討する。 3つの無線データセットをベースとした本研究では,パラメータの少ないより単純なCNNモデルと,より複雑なモデルが実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-06T17:53:42Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Visualization Of Class Activation Maps To Explain AI Classification Of Network Packet Captures [0.0]
  ネットワーク内のコネクションの数と新しいアプリケーションの追加は、大量のログデータを引き起こします。 ディープラーニング手法は、特徴抽出と単一システムにおけるデータからの分類の両方を提供する。 本稿では、ネットワークデータの分類と説明技法を組み合わせて、専門家、アルゴリズム、データ間のインターフェースを形成する視覚対話型ツールを提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:34:43Z)
• Representation Learning of Knowledge Graph for Wireless Communication Networks [21.123289598816847]
  本稿では,無線通信プロトコルに基づいて知識グラフを構築することにより,無線データの内在的関係を理解することを目的とする。 グラフ畳み込みニューラルネットワークに基づく新しいモデルは、グラフノードを分類し、関係予測をシミュレートするために使用されるグラフの表現を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-08-22T07:36:34Z)
• Dive into Layers: Neural Network Capacity Bounding using Algebraic Geometry [55.57953219617467]
  ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。 入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。 実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
  論文  参考訳（メタデータ） (2021-09-03T11:45:51Z)
• Attempt to Predict Failure Case Classification in a Failure Database by using Neural Network Models [0.6445605125467573]
  過去の障害ケースから障害データベースを構築しています。 これらのケースを障害タイプに応じて分類する必要がある。 機械学習を使って分類を自動化しようとしています。
  論文  参考訳（メタデータ） (2021-08-29T09:08:57Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。